使用混合模型推进土壤潜在有毒元素的来源分配:城市公园的案例研究,北京,中国

科学领域:

• 环境科学 环境科学
• 毒理学 毒理学 毒理学
• 风险评估 风险评估

背景情况:

• 城市公园土壤通常含有潜在的有毒元素 (PTEs),可能对健康造成风险.
• 之前的研究主要使用确定性方法,忽视了概率性健康风险评估.
• 一种概率方法对于准确的人类健康保护策略至关重要.

研究的目的:

• 开发和验证一个混合模型,将机器学习 (ML) 的解释性与正矩阵因子化 (PMF) 和概率健康风险评估 (PHRA) 结合起来.
• 确定和量化北京城市公园土壤中PTE的特定来源贡献.
• 从概率的角度评估与土壤PTE相关的非致癌和致癌健康风险.

主要方法:

• 使用蒙特卡洛模拟开发了一种混合模型,将ML可解释性 (随机森林),PMF和PHRA结合起来.
• 随机森林 (RF) 用于确定各种土壤PTE的关键驱动因素.
• 进行了来源分配,以确定已识别的污染源的贡献率.

主要成果:

• 土壤中PTE度,不包括Mn和Sb,超过了背景水平.
• 随机森林模型在识别As,Cd,Cr,Cu,Ni,Pb和Zn的驱动因素方面表现良好 (R2>0.60).
• 确定的主要污染源是交通排放 (30.56%),燃料燃烧 (28.99%),混合来源 (24.88%) 和建筑材料 (15.56%).
• 燃料燃烧是非致癌风险的主要原因,而建筑材料对所有年龄和性别群体的致癌风险作出了重大贡献.
• 非致癌风险通常可以忽略不计,但致癌风险需要注意.

结论:

• 混合ML-PMF-PHRA模型准确地识别和量化城市公园土壤中的PTE来源和相关健康风险.
• 交通排放和燃料燃烧是土壤PTE污染的重要原因.
• 建筑材料是致癌风险的重要来源,需要有针对性的管理策略.
• 这项研究为在北京公园等城市环境中对土壤PTE的有效风险管理提供了坚实的框架.